ERNIE Evolve는 바이두가 2026년 11월 9일 원신(文心) ERNIE 블로그에 발표한 자동 연구 시스템이자, 재귀적 자기 개선으로 나아가는 첫걸음이다. 코드 저장소와 목표, 평가 기준을 주면 격리된 환경에서 스스로 코드를 바꾸고 실험을 실행하며, 독립 평가가 어떤 개선을 남길지 결정한다. 세 가지 공개 AI 연구개발 과제에서 세 가지 지표가 종전의 공개 검증 가능한 최고 기록을 넘어섰다. 개발 중인 ERNIE-5.5-Flash에 적용하자 쿤룬신 P800의 저지연 추론 속도는 기준선의 623.6%까지 올라갔다.
다섯 가지 역할, 각자의 일
시스템은 이중 중첩 루프로 작동한다. 바깥 루프가 연구 방향을 정하고, 안쪽 루프가 각 방향에서 개선을 개발하고 테스트하며, 여러 연구 레인이 병렬로 돌아가면서 각자 후보 코드 버전 트리를 유지한다. 다섯 역할이 나눠 맡는다. Director는 다음 연구 방향과 출발 버전을 고르고, 과거 후보와 결과를 담은 경험 은행과 논문·오픈소스 코드로 이루어진 지식 베이스를 참조한다. Selector는 레인 안에서 후보를 고르고 다음에 검증할 가설을 정한다. Executor는 격리 환경에서 코드를 바꾼다. Evaluator는 고정 절차로 실제 워크로드에서 성능을 측정하고 정확성을 검증하며, 최적화 대상 저장소 밖에 있어 에이전트에게는 보이지 않는다. Reviewer는 성과가 평가의 허점을 이용한 것인지 심사하고, 허점을 이용한 후보는 버리며, 노이즈 임계값을 넘는 개선만 받아들인다.
공개 과제 성적표는 세 줄로 정리된다.
- NanoChat AutoResearch: 5분 단일 GPU 예산으로 검증 BPB가 0.8763을 기록해 종전 최고 0.8878을 앞질렀다.
- NanoGPT Speedrun: 목표 손실까지의 시간이 38.9초, 단계 수가 2,590단계로, 종전 최고인 39.9초와 2,690단계를 모두 앞질렀다.
- SOL-ExecBench: 실제 모델에서 나온 커널 최적화 문제 235개에서 평균 점수 0.819를 기록해 리더보드 최고 0.827에 살짝 못 미쳤다.
세 과제는 모두 같은 연구 루프를 썼고, 특정 지표에 맞춰 따로 조정하지 않았으며, 최적화 결과는 GitHub에 오픈소스로 공개됐다.
더 주목할 점은 내부 적용이다. 자동 연구가 처음으로 ERNIE 팀의 일상 엔지니어링에 들어갔고, 변경 사항은 엔지니어 제출물과 같은 부하 테스트와 정확성 검사를 통과해야 한다. 쿤룬신 속도 향상 외에도 결정적 추론 처리량은 약 사흘 연구 끝에 33.7% 올랐고, 디코딩 속도는 14.9% 더 빨라졌으며 정확도는 그대로였다. 바이두는 안전 경계도 함께 그었다. 재귀적 자기 개선은 인간의 통제 아래에서, 중단 가능하게, 목표·권한·자원 경계 안에서 운용해야 하며, 안전 평가와 감독을 계속 받아야 한다. 다만 ERNIE Evolve는 아직 일반 대중을 위한 사용 방법, 가격, API를 발표하지 않아 일반 사용자는 아직 쓸 수 없고, 모델 학습·추론 최적화·GPU 커널 최적화를 다루는 팀이 대상이다.
다음 단계는 이 방식을 먼저 학습 시스템 최적화로 확장한 뒤, 모델 능력 지표를 활용해 자동 가설 생성과 실험 검증을 이끄는 것이다. 원신 5.0이 첸판(千帆)에 등장했을 때는 네이티브 전모달 기반 모델로 자리매김했다. ERNIE Evolve는 그 제품 라인에 보태진 '연구 엔진'처럼 보인다.
